到達目標
(１)機械学習の様々なアルゴリズム（分類，回帰，クラスタリングなど）を説明できる。
(２)機械学習の様々なアルゴリズム（分類，回帰，クラスタリングなど）をPythonによって具体的なデータに適用できる。
ルーブリック
| 理想的な到達レベルの目安 | 標準的な到達レベルの目安 | 未到達レベルの目安 |
| 評価項目1 | 機械学習の様々なアルゴリズムをの数式も使って詳しく説明できる。 | 機械学習の様々なアルゴリズムをの図を用いて簡単に説明できる。 | 機械学習の様々なアルゴリズムをの図を用いて簡単に説明できない。 |
| 評価項目2 | 機械学習の様々なアルゴリズムをPythonによって具体的なデータに適用でき，結果を深く考察できる。
| 機械学習の様々なアルゴリズムをPythonによって具体的なデータに適用できる。 | 機械学習の様々なアルゴリズムをPythonによって具体的なデータに適用できない。 |
学科の到達目標項目との関係
教育方法等
概要:
機械学習の様々なアルゴリズムを教科書とPythonのプログラムによって理解する。
授業の進め方・方法:
教科書に基づいた講義を行う。Pythonのプログラムの実行により理解を深める。
注意点:
特になし。
授業の属性・履修上の区分
授業計画
|
|
週 |
授業内容 |
週ごとの到達目標 |
| 後期 |
| 3rdQ |
| 1週 |
ガイダンス，データサイエンスと機械学習。 |
データサイエンスとは何か，データサイエンスにおける機械学習の役割を説明できる。
|
| 2週 |
実行環境，Pythonの基礎。 |
実行環境を理解し，Pythonの基礎を理解し，実行できる。
|
| 3週 |
最小二乗法 |
最小二乗法により統計モデルの基礎について説明できる。Pythonによる例題の実行ができる。
|
| 4週 |
最小二乗法 |
最小二乗法によりオーバーフィッテングについて説明できる。
|
| 5週 |
最尤推定法 |
最尤推定法により確率を用いたモデルの役割を説明できる。Pythonによる例題の実行ができる。
|
| 6週 |
パーセプトロン |
パーセプトロンにより分類問題について説明できる。
|
| 7週 |
パーセプトロン |
パーセプトロンにより確率勾配法降下法や収束について説明できる。Pythonによる例題の実行ができる。
|
| 8週 |
中間試験 |
|
| 4thQ |
| 9週 |
試験返却解答，ロジスティック回帰 |
ロジスティック回帰を説明できる。
|
| 10週 |
ROC曲線 |
ROC曲線による性能評価について説明できる。
|
| 11週 |
k-平均法 |
k-平均法について説明できる。
|
| 12週 |
k-平均法 |
k-平均法を画像データに適用できる。
|
| 13週 |
EMアルゴリズム |
EMアルゴリズムについて説明できる。
|
| 14週 |
EMアルゴリズム |
EMアルゴリズムを手書き文字分類問題に適用できる。
|
| 15週 |
ベイズ推定 |
ベイズ推定について説明できる。ベイズ推定を回帰問題に適用できる。
|
| 16週 |
期末試験 |
|
モデルコアカリキュラムの学習内容と到達目標
| 分類 | 分野 | 学習内容 | 学習内容の到達目標 | 到達レベル | 授業週 |
評価割合
| 試験 | 発表 | 相互評価 | 態度 | ポートフォリオ | その他 | 合計 |
| 総合評価割合 | 70 | 0 | 0 | 0 | 30 | 0 | 100 |
| 基礎的能力 | 70 | 0 | 0 | 0 | 0 | 0 | 70 |
| 専門的能力 | 0 | 0 | 0 | 0 | 30 | 0 | 30 |
| 分野的横断能力 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |